Python爬取贝壳房源数据的实战教程

admin

       随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容，了解python爬虫，本文给大家分享Python爬取贝壳房源数据的实战教程，感兴趣的朋友一起学习吧
$ C! \7 q3 B8 Y7 Z5 L6 ^一、爬虫是什么？
+ p* m4 u( O( o! [  e- z        在进行大数据分析或者进行数据挖掘的时候，数据源可以从某些提供数据统计的网站获得，也可以从某些文献或内部资料中获得，但是这些获得数据的方式，有时很难满足我们对数据的需求，而手动从互联网中去寻找这些数据，则耗费的精力过大。此时就可以利用爬虫技术，自动地从互联网中获取我们感兴趣的数据内容，并将这些数据内容爬取回来，作为我们的数据源，从而进行更深层次的数据分析，并获得更多有价值的信息。在使用爬虫前首先要了解爬虫所需的库（requests）或者( urllib.request )，该库是为了爬取数据任务而创建的。
& Y! S4 O* a4 _) |  \二、使用步骤
1 y* F/ p( H% P1 O# u, u1.引入库
       代码如下（示例）：

copy

import os
import urllib.request
import random
import time
class BeikeSpider:
def __init__(self, save_path="./beike"):
"""
        贝壳爬虫构造函数
        :param save_path: 网页保存目录
        """

2.读入数据
       代码如下 ：
& S5 y  Q# N5 \! }& m  S- Z

copy

# 网址模式
self.url_mode = "http://{}.fang.ke.com/loupan/pg{}/"
# 需爬取的城市
self.cities = ["cd", "sh", "bj"]
# 每个城市爬取的页数
self.total_pages = 20
# 让爬虫程序随机休眠5-10秒
self.sleep = (5, 10)
# 网页下载保存根目录
self.save_path = save_path
# 设置用户代理，是爬虫程序伪装成浏览器
self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}
# 代理IP的信息
self.proxies = [
            {"https": "123.163.67.50:8118"},
            {"https": "58.56.149.198:53281"},
            {"https": "14.115.186.161:8118"}
        ]

# 创建保存目录
if not os.path.exists(self.save_path):
            os.makedirs(self.save_path)
def crawl(self):
"""
        执行爬取任务
        :return: None
        """

      该处使用的url网络请求的数据。
  @1 z* q! S  V: I6 g1 [* x  o/ _3.随机选择一个ip地址构建代理服务器
% ~" A* E5 L/ w' Z  D- O9 K6 y7 [

copy

for city in self.cities:
            print("正在爬取的城市:", city)
# 每个城市的网页用单独的目录存放
            path = os.path.join(self.save_path, city)
if not os.path.exists(path):
                os.makedirs(path)

for page in range(1, self.total_pages+1):
# 构建完整的url
                url = self.url_mode.format(city, page)
# 构建Request对象, 将url和请求头放入对象中
                request = urllib.request.Request(url, headers=self.headers)

# 随机选择一个代理IP
                proxy = random.choice(self.proxies)
# 构建代理服务器处理器
                proxy_handler = urllib.request.ProxyHandler(proxy)
# 构建opener
                opener = urllib.request.build_opener(proxy_handler)
# 使用构建的opener打开网页
                response = opener.open(request)
                html = response.read().decode("utf-8")
# 网页保存文件名(包含路径)
                filename = os.path.join(path, str(page)+".html")

# 保存网页
self.save(html, filename)
                print("第%d页保存成功！" % page)

# 随机休眠
                sleep_time = random.randint(self.sleep[0], self.sleep[1])
                time.sleep(sleep_time)

      该处除随机选择ip地址以外还会限制爬取数据的速度，避免暴力爬取。
$ z' S* ?) @( ]  S9 v! n/ y1 w4.运行代码

copy

def save(self, html, filename):
"""
        保存下载的网页
        :param html: 网页内容
        :param filename: 保存的文件名
        :return:
        """

        f = open(filename, 'w', encoding="utf-8")
        f.write(html)
        f.close()

def parse(self):
"""
        解析网页数据
        :return:
        """
pass

if __name__ == "__main__":
    spider = BeikeSpider()
    spider.crawl()

       运行结果就会这样，会保存在你的文件夹中。